作者注：對比 AI 生成視頻加字幕的 2 種方案，即 Seedance 提示詞燒錄字幕和成片音軌轉寫字幕。文章說明哪種字幕能改、能翻譯，以及換視頻模型到底能省下哪部分錢。
不少人在 API易 上跑通視頻接口後，卡住的往往不是畫質，而是成片字幕。常見的想法是：Seedance 一條太貴，換成 Grok、海螺或萬相，順便找一家能”直接把字幕做好”的。先給一句能帶走的結論：可編輯字幕不靠視頻模型直出，要能改、能翻譯的字幕，就對成片音軌做轉寫。
目前在架的視頻模型，沒有一家把可編輯的字幕文件當作生成輸出。Seedance 可以按火山引擎《Seedance 2.0 系列提示詞指南》的寫法把字燒進畫面像素，但同一份指南也承認，提示詞裏不寫字幕時成片也可能亂出字幕，而且做不到 100% 去掉。Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine 的專頁只寫到音軌或音頻驅動，沒有任何字幕參數。所以換更貴的視頻模型，解決不了字幕問題。
這不是一份”各有千秋”的折中分析。 本文只比兩條路：提示詞燒錄和後期轉寫，並按三種典型場景直接給出選擇。文中提到的視頻模型都在 API易 apiyi.com 上調用，型號與價格以平臺型號列表爲準。
核心價值：讀完你能做兩個決定。第一，這條片子要不要在提示詞裏要求燒字幕；第二，想省錢該換哪一檔模型。
AI 生成視頻字幕先分清：音軌不等於字幕
討論 AI 生成視頻加字幕之前，要先把”聲音”和”字幕”拆開。視頻模型把對白、音效和畫面一起生成，得到的是嵌在成片裏的音軌。音軌裏有臺詞，不等於成片有字幕。就算畫面裏出現了字，如果它是燒進像素的，也只是畫面的一部分，而不是一條字幕。
本文所說的”可用字幕”，要同時滿足三件事。第一，字是對的，沒有錯字、漏字和生僻字亂碼。第二，出現時間和臺詞對齊。第三，事後還能改字、能翻譯成別的語言。燒在像素裏的字最多滿足前兩條，第三條永遠做不到：改一個錯別字就得重抽整條視頻，出英文版也得重抽。
火山引擎的提示詞指南也是這個口徑：它把”字幕”寫成畫面文字的一種，和廣告語、氣泡放在同一節，指南里沒有 SRT、VTT 或獨立字幕軌道。理解了這一點，”哪家視頻模型字幕更好”這個問題就可以換個問法：你要的是畫面上的字，還是一份能編輯的字幕文件？
AI 生成視頻加字幕 2 種方案核心差異
兩條路的差別不在畫質，也不在模型檔次，而在字幕最終存放在哪裏。路一把字幕存進像素，路二把字幕存進單獨的文件。下表按”可用字幕”的三個標準逐項對比。
| 對比維度 | 路一：提示詞燒錄字幕 | 路二：成片音軌轉寫字幕 | 勝出 |
|---|---|---|---|
| 字是否準確 | 依賴模型生成，指南要求優先用常用字、避免生僻字和特殊符號 | 來自對音軌的語音識別，可人工校對 | 路二 |
| 與臺詞對齊 | 提示詞可寫「與音頻節奏完全同步」，效果靠抽卡 | 由轉寫時間戳或剪輯軟件對齊，可微調 | 路二 |
| 事後改字/翻譯 | 不能，改字只能重抽整條視頻 | 能，改文件即可，可另出多語言版本 | 路二 |
| 適用模型 | 只有 Seedance 的官方指南寫了這項能力 | 任何帶音軌的成片都可以 | 路二 |
| 額外環節 | 無，出片即帶字 | 需要轉寫服務或剪輯軟件 | 路一 |
| 想去掉字幕時 | 官方說明無法 100% 避免亂出字幕 | 不存在這個問題 | 路二 |
路一：Seedance 提示詞燒錄 AI 生成視頻字幕
Seedance 是在架系列裏唯一一個，在官方提示詞指南中同時寫了”可以做字幕”和”會亂出字幕”的。指南的文字生成一節說明，模型支持生成常用文字，可以指定顏色、風格、出現方式、出現時機和出現位置，適用場景包括廣告語、字幕和氣泡。需要注意，這份指南的標題是 2.0 系列，沒有單獨聲明 2.5 的字幕能力與 2.0 不同，因此不能把燒錄字幕寫成 2.5 獨有。
下表整理了官方提示詞指南里與字幕相關的寫法，可以直接照着組織提示詞：
| 用途 | 官方提示詞指南寫法 | 注意事項 |
|---|---|---|
| 指定字幕內容 | 「畫面底部出現字幕，字幕內容爲「……」，字幕需與音頻節奏完全同步。」 | 字幕內容儘量用常用字 |
| 按臺詞出字幕 | 「畫面底部按照臺詞出現字幕」「畫面底部出現對應臺詞字幕」 | 輸出仍是像素文字，沒有時間軸文件 |
| 不要字幕 | 「保持無字幕」「避免生成任何文字或字幕」 | 官方說明目前無法 100% 避免 |
| 文字風格 | 可指定顏色、風格、出現方式、時機、位置 | 避免生僻字和特殊符號 |
這條路的優點是零額外環節：出片就帶字，適合發短視頻平臺的豎屏小片。缺點也很直接：字錯了只能重抽，抽到滿意之前每一次都要付出片錢；想出另一種語言版本，也得從頭再生成。
調用層面還有幾個容易踩的坑。在 API易 apiyi.com 控制檯建令牌時，要選 SeeDance2 分組（倍率 0.18x），計費模式必須是按量優先或按量計費。端點走 /seedance/api/v3/...，不要走 /v1/videos。專頁寫明，通用端點會把分辨率傳錯，計費卻按實際出片結算。另外 generate_audio 默認是 true，要靜音成片必須顯式傳 false。
路二：成片音軌轉寫 AI 生成視頻字幕
後期方案的分工很清楚：視頻模型只負責出一條帶音軌的成片，字幕交給單獨的轉寫服務或剪輯軟件。轉寫得到帶時間軸的字幕文件，之後有兩種用法。一是把字幕燒進畫面，用於不支持外掛字幕的平臺；二是作爲側車文件隨視頻一起分發，播放器可以開關，也可以切換語言。
轉寫服務的選擇要看清當前狀態。OpenAI 語音轉文本指南目前推薦用 gpt-transcribe 做文件轉寫，接口是 POST /v1/audio/transcriptions，返回文本和識別到的語言，單文件上限 25 MB。詞級或句級時間戳的示例仍指向 whisper-1 的 timestamp_granularities 參數，而這個參數只支持 whisper-1。whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe 等型號已被標爲廢棄，關停日是 2027-02-26。
還有一點要說明：2026-11-10 15:40 的 API易模型總表裏，沒有 whisper-1，也沒有 gpt-transcribe。後期這一步不在本次的視頻型號列表裏，需要用單獨的轉寫服務或剪輯軟件自帶的語音識別來完成。時間軸對齊也可以交給剪輯軟件，轉寫只負責把文字識別準確。
在架視頻模型的 AI 生成視頻字幕能力一覽
下表彙總各視頻模型專頁在聲音和字幕上的寫法。字幕參數一列是在 2026-11-11 對各專頁全文檢索的結果，檢索關鍵詞包括”字幕”、SRT、燒錄字幕和字幕軌道。
| 系列 | 模型 ID | 聲音相關（專頁寫法） | 字幕參數 | 調用要點 |
|---|---|---|---|---|
| Seedance | doubao-seedance-2-5-260628、doubao-seedance-2-0-260128、doubao-seedance-2-0-fast-260128、doubao-seedance-2-0-mini-260615 |
generate_audio 默認開啓 |
無字幕文件；可按火山指南提示詞燒錄 | SeeDance2 分組，走 /seedance/api/v3/... |
| Wan3.0 | wan3.0-video、wan3.0-video-prime |
audio 默認 true，輸出自帶音軌 |
無 | 提交到 /wan/api/v1/services/aigc/video-generation/video-synthesis，帶頭 X-DashScope-Async: enable |
| Wan2.7 | wan2.7-t2v、wan2.7-i2v、wan2.7-r2v、wan2.7-videoedit |
僅 wan2.7-i2v 支持 driving_audio 對口型 |
無 | 只有 720P / 1080P，時長 2–15 秒 |
| HappyHorse 1.1 | happyhorse-1.1-t2v、happyhorse-1.1-i2v、happyhorse-1.1-r2v、happyhorse-1.0-video-edit |
圖生視頻不支持 driving_audio，專頁未寫默認對白 |
無 | 時長 2–15 秒，對口型需改用 Wan2.7 |
| MiniMax H3 | MiniMax-H3 |
自帶立體聲音軌，無法關閉 | 無 | 只開放 768P，走 /hailuo/v2/video_generation |
| Oxygen | oxygen-1.0 |
成片自帶音軌 | 無 | OpenAI Videos 兼容，POST /v1/videos |
| Grok Imagine | grok-imagine-video、grok-imagine-video-1.5、grok-imagine-video-1.5-lite |
默認自帶音軌，關閉音頻不降價 | 無 | 需開通 GrokOfficial 分組 |
這張表最想說明的是：除了 Seedance 之外，其他專頁都沒有字幕相關內容，所以不能推斷它們”也能按提示詞出字幕”。以上模型都可以在 API易 apiyi.com 用同一個賬號調用，具體型號與可用分組以平臺型號列表爲準。
有幾處細節值得單獨說。Wan2.7 的 driving_audio 是讓嘴型跟着音頻動，屬於口型能力，和字幕無關。專頁自己的建議是：需要音頻驅動對口型時用 2.7，要默認音軌、更長時長、更低價格時用 Wan3.0。MiniMax H3 在 API易 上是開源權重自部署，不是原廠 API 轉發；它的音軌關不掉，傳 generate_audio=false 會返回 400，錯誤字段爲 unsupported field generate_audio，傳 2K 分辨率同樣會被拒絕。
Grok Imagine 三款的情況比較特殊：專頁有價格，但 2026-11-10 15:40 的模型總表裏沒有這三行。它不是沒上架，調用前需要在控制檯確認 GrokOfficial 分組已開通。
AI 生成視頻字幕與出片成本：換模型省的是什麼
既然字幕不隨視頻模型變化，換模型能省下的就只有出片費。下面用同一條 5 秒片子的文檔價作對照。有一點必須先說明：各行的分辨率不同，這張表只能用來比成本，不能當作同一條片子的畫質對比。
| 模型 ID | 分辨率 | 時長 | 參考視頻 | 文檔價 | 價格來源 | 數據日期 |
|---|---|---|---|---|---|---|
oxygen-1.0 |
480p 或 768p（同價） | 5 秒 | 不含 | $0.10 | 專頁每秒價 × 5 | 專頁 2026-11-11 覈對 |
grok-imagine-video-1.5-lite |
480p / 720p | 5 秒 | 不含（不計輸入圖） | $0.10 / $0.15 | 專頁每秒價 × 5 | 專頁 2026-11-11 覈對 |
wan3.0-video |
480P / 720P / 1080P | 5 秒 | 不含 | $0.147 / $0.294 / $0.588 | 專頁 5 秒總價 | 專頁 2026-11-11 覈對 |
MiniMax-H3 |
768P | 5 秒 | 不含 | $0.15 | 專頁 | 專頁 2026-11-11 覈對 |
grok-imagine-video |
480p / 720p | 5 秒 | 不含（不計輸入圖） | $0.25 / $0.35 | 專頁每秒價 × 5 | 專頁 2026-11-11 覈對 |
wan2.7-* |
720P / 1080P | 5 秒 | 不含 | $0.42 / $0.70 | 專頁 5 秒總價 | 專頁 2026-11-11 覈對 |
doubao-seedance-2-0-mini-260615 |
720p | 5 秒 | 不含 | $0.4508 | 專頁價目表 | 專頁 2026-11-11 覈對 |
happyhorse-1.1-* |
720P / 1080P | 5 秒 | 不含 | $0.63 / $1.12 | 專頁 5 秒總價 | 專頁 2026-11-11 覈對 |
doubao-seedance-2-0-fast-260128 |
720p | 5 秒 | 不含 | $0.7253 | 專頁價目表 | 專頁 2026-11-11 覈對 |
doubao-seedance-2-0-260128 |
720p | 5 秒 | 不含 | $0.9074 | 專頁價目表 | 專頁 2026-11-11 覈對 |
grok-imagine-video-1.5 |
1080p | 5 秒 | 不含（不計輸入圖） | $1.25 | 專頁每秒價 × 5 | 專頁 2026-11-11 覈對 |
doubao-seedance-2-5-260628 |
720p | 5 秒 | 不含 | $1.3721 | 專頁價目表（按面積乘時長結算，±5% 偏差屬正常） | 專頁 2026-11-11 覈對 |
同爲 720p、5 秒、不含參考視頻（專頁 2026-11-11 覈對），Seedance 2.5 的 $1.3721 約是 wan3.0-video 的 $0.294 的 4.7 倍，約是 mini 的 $0.4508 的 3.0 倍。這個倍數只說明出片成本，不說明字幕更好。專頁另有一處 FAQ 寫的 2.5 價格與價目表略有出入，本文以價目表爲準。
看總表時也有幾個容易誤讀的格子。Seedance 那幾格是未乘 0.18 分組倍率的每百萬 token 基準價，不是一條視頻多少美元。wan3.0-video 在總表裏只有一格每秒價，那一格對應的是 480P，不是所有清晰度的單價。HappyHorse 在總表上寫的是按量基準，不是每秒價，按秒算錢要看專頁。對價格時，建議以 API易 apiyi.com 型號列表結合各模型專頁的分檔價爲準。
AI 生成視頻加字幕場景推薦
場景一：要能改、能翻譯的 AI 生成視頻字幕
教程片、產品演示、要出多語言版本的內容，都屬於這一類。這類片子的字幕早晚要改：客戶挑一個錯別字、術語要統一、市場要英文版。走後期轉寫是唯一穩的方案，視頻模型只管出帶音軌的成片。
這個場景下選視頻模型，按畫面需求和預算挑即可，字幕不是選型因素。注意，成片裏不能先被燒上亂字幕，否則後期字幕會和畫面上的字疊在一起。如果用 Seedance，提示詞裏要加無字幕約束；如果用其他系列，專頁雖然沒有寫字幕能力，出片後也要檢查一遍畫面。
場景二：短視頻底部只要臺詞字，能接受重抽
如果只是發平臺的短豎屏，底部有一行臺詞字就夠，而且能接受偶爾出錯、重抽一次，那麼可以只用 Seedance 按火山模板寫燒錄字幕。提示詞裏寫清字幕內容，並要求與音頻節奏同步，同時堅持用常用字，避開生僻字和特殊符號。
要清楚這不是穩定交付。抽到錯字時，重抽的成本就是又一條出片費，所以先用 mini 或 fast 調提示詞，確認字幕寫法穩定後再考慮更高檔位。不要爲了字幕效果直接上 2.5。
場景三：成片裏不能出現任何字幕
品牌片、要二次剪輯的素材、準備後期上多語言字幕的底片，都要求畫面乾淨。如果用 Seedance，必須在提示詞裏寫「保持無字幕」「避免生成任何文字或字幕」。同時先把參考圖或參考視頻裏的文字去掉，儘量出橫屏。官方指南說明，橫屏亂出字幕的概率明顯低於豎屏，豎屏再靠剪輯裁切補救。
即使三條都做到，官方的說法仍是無法 100% 避免。所以出片後必須人工檢查。對乾淨度要求極高的項目，可以把裁切空間預留在構圖裏。
AI 生成視頻加字幕決策建議
把前面的內容壓縮成一張決策表，遇到具體片子時直接對照：
| 你的需求 | 走哪條路 | 視頻模型方向 | 不要做的事 |
|---|---|---|---|
| 字幕要能改、能翻譯、時間對齊 | 路二：後期轉寫 | 按畫面和預算選，帶音軌即可 | 指望任何視頻模型出字幕文件 |
| 短視頻底部要臺詞字，能接受重抽 | 路一：Seedance 燒錄 | 先用 mini / fast 調提示詞 | 爲字幕效果升級到 2.5 |
| 成片不能有字幕 | 路二，或 Seedance 加無字幕約束 | 橫屏優先，參考素材先去字 | 相信約束詞能 100% 去幹淨 |
| 要對口型 | 路二配字幕 | wan2.7-i2v 的 driving_audio |
用 HappyHorse 圖生視頻做對口型 |
| 要默認音軌又要便宜 | 路二配字幕 | Oxygen、Wan3.0 480P、Grok 1.5-lite、MiniMax H3 | 以爲便宜檔會缺少字幕能力 |
兩條路可以用一句話對標。提示詞燒錄在”出片即帶字、零額外環節”上佔優，但字存在像素裏，不能改、不能譯，想去掉時還去不乾淨。相比之下，後期轉寫多一個環節，卻在字幕準確度、時間對齊和多語言複用上全面勝出，適合所有需要交付的片子。
省測試費的思路也隨之清楚了。15 秒以內、720p 夠用時，先看 Seedance mini 或 Wan3.0 標準版；要默認音軌又要便宜，看 Oxygen、Wan3.0 480P、Grok 1.5-lite 和 MiniMax H3。Grok、海螺和 Seedance 之間的效果差異，專頁沒有做過同題字幕對照，所以不必把”哪家字幕更好”當成換模型的理由。
💡 選擇建議：字幕方案先定，視頻模型後選。建議在 API易 apiyi.com 用同一個 Key 分別跑兩三檔模型的同題樣片，只比畫面和音軌；字幕統一交給後期，這樣比較的纔是真正花錢的那部分。
還有兩個通道不在推薦範圍內。據 API易 2026-11-09 的公告，Google 已於 2026-10-22 停止 veo-3.1-generate-preview 與 veo-3.1-fast-generate-preview，API易的 VEO 3.1 官轉已停，谷歌系視頻通道暫時都沒有。同一則說明裏，Sora 2 相關通道也已下線。
AI 生成視頻加字幕常見問題 FAQ
Q1：什麼是 AI 生成視頻的”可用字幕”？
可用字幕要同時滿足三點：字是對的、時間和臺詞對齊、事後還能改字或翻譯。視頻模型生成的是音軌，燒在像素裏的字不能單獨修改，因此不算可用字幕。
Q2：換成 Grok、海螺或萬相，哪家能直接把字幕做好？
都不能。Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine 的專頁只寫音軌或音頻驅動，沒有字幕參數，也沒有做過同題字幕對照。換模型能省的是出片費，字幕仍然要靠後期轉寫。
Q3：Seedance 2.5 燒錄字幕比 2.0 更強嗎？
沒有依據這麼說。火山引擎的提示詞指南標題是 2.0 系列，沒有單獨聲明 2.5 的字幕能力有什麼不同。2.5 的優勢在 4–30 秒的時長、更多參考圖和 mov 輸出，而不是字幕。
Q4：模型總表裏沒看到 Grok Imagine，是沒上架嗎？
不是。Grok Imagine 三款在專頁上有價格，只是 2026-11-10 15:40 的模型總表沒有列出這三行。調用前請在 API易 apiyi.com 控制檯確認 `GrokOfficial` 分組已開通。另外，關閉音頻不會降價。
Q5：如何通過 API 快速調用這些視頻模型？
註冊 API易 後獲取 API Key（新用戶有免費測試額度），然後按各專頁的端點調用：
– OpenAI 兼容的 base_url 是 `https://api.apiyi.com/v1`，Oxygen 用其下的 `POST /v1/videos`
– Seedance 走 `/seedance/api/v3/…`，令牌選 `SeeDance2` 分組
– Wan3.0 提交到 `/wan/api/v1/services/aigc/video-generation/video-synthesis`，並帶 `X-DashScope-Async: enable`
– MiniMax H3 走 `/hailuo/v2/video_generation`
Seedance 和 Wan3.0 都不要套用 `/v1/videos`。
Q6：後期轉寫用什麼服務？
API易 當前的模型總表裏沒有 `whisper-1` 和 `gpt-transcribe`，轉寫需要使用單獨的服務或剪輯軟件。OpenAI 現推薦用 `gpt-transcribe` 出文本；文檔裏的詞級時間戳示例仍指向 `whisper-1`，而它的關停日是 2027-02-26。單文件上限 25 MB，長視頻建議先抽出音軌再轉寫。
Q7：提示詞燒錄字幕有哪些已知限制？
– 字幕存進像素，改字、翻譯都只能重抽整條視頻
– 不寫字幕也可能亂出字幕，官方說明無法 100% 避免
– 豎屏亂出字幕的概率高於橫屏，參考素材裏的字會增加風險
– 生僻字和特殊符號容易出錯，應優先用常用字
AI 生成視頻加字幕核心要點 Key Takeaways
- 音軌不等於字幕：視頻模型產出的是嵌在成片裏的聲音，不是字幕文件
- 只有 Seedance 寫了燒錄：火山指南支持把字幕燒進像素，但不提供字幕文件
- 去字幕做不到 100%：需要約束詞加去除參考素材文字，橫屏優先
- 其他系列無字幕參數：Wan、HappyHorse、MiniMax H3、Oxygen、Grok 的專頁只寫音軌
- 可改字幕走後期：對成片音軌轉寫，再燒進畫面或作爲側車文件
- 換模型只省出片費：不要爲了字幕升級 2.5，先看 mini、Wan3.0 等低檔
- 上手方式：在 API易 用一個 Key 跑多檔樣片，價格以平臺型號列表爲準
總結
AI 生成視頻怎麼加字幕，核心要點只有三條：
- 可編輯字幕不靠模型直出：沒有一家視頻模型把字幕文件作爲輸出，要能改、能翻譯的字幕，就走後期轉寫。
- Seedance 燒錄是權宜之計：按火山提示詞指南可以把字燒進畫面，適合能接受重抽的短視頻，但它不是穩定交付，想去掉字幕時也去不乾淨。
- 省錢要換出片檔位，而不是追字幕：同爲 720p、5 秒、不含參考視頻（專頁 2026-11-11 覈對），2.5 約是 Wan3.0 標準版的 4.7 倍，這筆差價買不到更好的字幕。
下一步建議先定字幕方案，再挑視頻模型。推薦在 API易 apiyi.com 用免費測試額度，先跑 mini、Wan3.0、Oxygen 等低檔樣片驗證畫面與音軌，字幕統一交給後期處理。
📚 參考資料
- 火山引擎《Doubao Seedance 2.0 系列提示詞指南》：文字生成與字幕寫法、無字幕約束及亂出字幕的處理說明
- 鏈接：
docs.volcengine.com/docs/ark/seedance-2-0-prompt-guide -
說明： 本文路一的字幕模板和”無法 100% 避免”的口徑均來自此指南，2026-11-11 讀取
-
OpenAI 語音轉文本指南：
gpt-transcribe轉寫接口與時間戳參數說明 - 鏈接：
platform.openai.com/docs/guides/speech-to-text -
說明： 後期轉寫方案的接口、文件上限與廢棄型號關停日期，2026-11-11 讀取
-
API易文檔中心 · 視頻模型專頁：Seedance、Wan3.0、Wan2.7、HappyHorse、MiniMax H3、Oxygen、Grok Imagine 的參數與分檔價
- 鏈接：
docs.apiyi.com/api-capabilities/ - 說明： 型號、端點、分組與 5 秒文檔價的來源；VEO 3.1 下線公告位於同站
/live/2026-11/veo-3-1-official-offline
作者: APIYI 技術團隊
技術交流: 歡迎在 API易 網站首頁聯繫我們，更多模型參數與調用說明可訪問 docs.apiyi.com 文檔中心
